特征值与特征向量

核心定义

特征值 是满足 $Ax=\lambda x$（$x\neq 0$）的标量 $\lambda$，特征向量 是对应的非零向量 $x$。它描述矩阵作用下方向不变、长度按倍数缩放的特殊方向。

求解核心：先解 特征方程 $|A-\lambda I|=0$ 得特征值，再代入 $(A-\lambda I)x=0$ 求 特征子空间 中的特征向量。$\lambda$ 是特征值等价于 $A-\lambda I$ 的行列式为 0，等价于 $A-\lambda I$ 不可逆，等价于 $\lambda$ 是特征多项式的根。

特征值问题是连接矩阵运算、对角化、二次型和线性微分方程的重要桥梁。对角化的意义是把复杂矩阵运算转成 对角元素运算，如 $A^k=$ $P\Lambda^k P^{-1}$。

三角矩阵的特征值可直接从 主对角线读取，因为 $|A-\lambda I|$ 仍为三角矩阵，其行列式为对角线项连乘。可逆矩阵的特征值 都非零，有零特征值说明矩阵 不可逆（特征值乘积 = 行列式）。

代数重数 是特征多项式根的重数，几何重数 是对应特征子空间的维数，几何重数不超过代数重数（ $1 \leq \text{几何重数} \leq \text{代数重数}$ ）。可对角化的充要条件是 所有特征值的几何重数之和等于 $n$（等价于每个特征值的几何重数 = 代数重数）。

实对称矩阵 必有实特征值和正交特征向量组，一定可以 正交对角化：$Q^{-1}AQ=\Lambda$（$Q$ 为正交矩阵，$Q^TQ=$ $I$）。不同特征值对应的特征向量 自动正交。

相似矩阵 满足 $B=P^{-1}AP$，相似矩阵有相同的 特征值集合、相同的 迹、相同的 行列式。

关键细节 / 操作步骤

1. 第一步：解特征方程 $|A-\lambda I|=0$ 求出全部 特征值（含重根）。特征多项式为 $f(\lambda)=$ $|A-\lambda I|$。
2. 第二步：对每个特征值 $\lambda_i$，解 $(A-\lambda_i I)x=0$ 求对应 特征向量 组成的特征子空间。
3. 第三步：判断可否对角化——检查每个特征值的 几何重数 是否等于 代数重数，总和是否为 $n$。
4. 第四步：若题目问矩阵幂次 $A^k$，优先考虑对角化：$A^k=$ $P\Lambda^k P^{-1}$。
5. 第五步：若题目是实对称矩阵，直接联想”特征值实数 + 正交特征向量组”，可用正交对角化。
6. 第六步：若题目给上/下三角矩阵，特征值直接从 主对角线 读取，无需解方程。
7. 第七步：若题目问相似矩阵性质，相似矩阵的 特征值集合保持不变（特征多项式相同），迹和行列式也不变。
8. 第八步：若题目给参数矩阵，通常需要讨论不同参数下 重根与特征向量个数变化。
9. 第九步：$\text{tr}(A)=$ 特征值之和 $=\sum \lambda_i$；$|A|=$ 特征值之积 $=\prod \lambda_i$——可用于快速验证。
10. 第十步：零向量不能作为特征向量，因为 零向量在任何线性映射下都成立，不具区分信息。特征向量必须 非零。

⚠️ 易错辨析

• 零向量不是特征向量：特征向量必须非零。零向量对任何 $\lambda$ 都满足 $Ax=\lambda x$，没有区分意义。
• 有特征值不等于可对角化：后者要看线性无关特征向量是否凑够 $n$ 个。反例：$\begin{pmatrix}1&1\\0&1\end{pmatrix}$ 有二重特征值 1，但几何重数仅为 1（$<2$），不可对角化。
• 代数重数与几何重数不同：几何重数 $\leq$ 代数重数，很多题故意把两者混写，必须分清。
• 有零特征值意味着不可逆：特征值乘积 = 行列式，含零则行列式为零，矩阵不可逆。
• 实对称矩阵一定可对角化：但”可对角化”不等于”可逆”——可逆性由 特征值是否全非零 决定。

💡 技巧与口诀

• 口诀：先求特征多项式，再找特征子空间，最后检查是否凑够基。
• 应用场景：题目出现”对角化、幂次、稳定性、正交变换”，就优先从特征值框架切入。实对称矩阵直接联想正交对角化。
• 对角化简化运算：$A^k$、$\text{tr}(A)$、$|A|$ 都可从特征值直接得出。
• 求特征向量正交化：实对称矩阵不同特征值对应的特征向量自动正交；同一特征值的多个特征向量需用 施密特正交化 处理。

📝 真题闭环 题目：设 $A$ 为 3 阶实对称矩阵，特征值为 $1, 2, 3$，求 $|A|$、$\text{tr}(A)$ 和 $A^2$ 的特征值。若 $A$ 有一个特征值为 0，$A$ 是否可逆？

解题思路：

1. 审题抓”实对称”和”特征值 $1,2,3$“，切入点是 特征值与行列式、迹、幂次的关系。
2. 方法选择：$|A|=$ 特征值之积；$\text{tr}(A)=$ 特征值之和；$A^2$ 的特征值为原特征值的 平方。
3. 计算关键点：$|A|=$ $1\times 2\times 3=6$；$\text{tr}(A)=$ $1+2+3=6$；$A^2$ 的特征值为 $1,4,9$。若某特征值为 0，则 $|A|=0$，矩阵 不可逆。
4. 易错防范：$A^2$ 的特征值是 $\lambda_i^2$ 而非 $2\lambda_i$；实对称矩阵一定可对角化，但”可对角化”不等于”可逆”。

答案：$|A|=$ $6$，$\text{tr}(A)=$ $6$，$A^2$ 的特征值为 $1,4,9$。若有零特征值则 $A$ 不可逆。